什么是计算周期性，它为何对预测至关重要？
计算周期性意味着模型直接从你的数据中找出主导的季节性周期（如周、月或年模式），而不是被告知这些周期是什么，或从海量训练集中学习它们。这一点非常重要，因为许多业务预测——如销售、库存、人员排班——都受重复模式的支配，而准确把握这些周期往往是最困难的部分。[3]展示了一个模型，它使用零参数频谱检测器来发现周期，然后按这些相位对数据进行折叠；其效率之高，以至于能在仅含146,505个参数（约0.15百万）的嵌入式设备上运行，却依然在GIFT-Eval基准上定义了规模-精度前沿。通俗地说，你可以在一个芯片上获得最先进的概率预测，无需数据中心，也无需逐信号拟合。
零样本模型真的能媲美传统预测方法吗？
是的，在很多情况下确实如此——有时它们甚至能超越生成其训练数据的方法。[1]提出了SarSim0，一个能即时生成合成时间序列的模拟器，并利用它训练神经网络，使这些网络在从未见过真实数据的情况下也能进行预测。在GiftEval基准测试中，这些模型的表现优于AutoARIMA——正是生成合成数据的那个统计模型本身——产生了“学生胜过老师”的效果。这意味着这种方法并非廉价的捷径，它确实能提升准确性。[2]发现，三种最先进的时间序列基础模型（Chronos、TimeGPT、Moirai）在稳定条件下，无需任何微调，就能在宏观经济指标上达到或超越经典计量经济学模型。因此，对于模式相对稳定的常规业务规划而言，零样本预测已经是可以替代定制模型构建的可行方案。
它的短板在哪里，又有什么陷阱？
主要的难点在于，零样本模型容易受到突发冲击和结构性断裂的影响。[2]明确发现，在经济快速变化时期，模型性能会下降——因此，如果你的业务面临突然的供应链中断或市场崩盘，这些模型可能并不可靠。这对运营预测来说是一个关键警示，因为这类场景往往需要你对意外事件做出快速反应。此外，并非所有零样本模型都表现相当：[5]表明，GPT-4在时间序列任务上实际上可能比GPT-3更差，原因在于它对数字的分词方式以及较差的置信度校准，这很可能与对齐干预有关。因此，未来两年可能会出现分化：像TinyCast这类基于计算周期性的模型以及经过SarSim0微调的模型，将在常规的季节性预测中表现出色，但在危机情境下，你仍然需要依赖人工判断或专门的模型。
关于这些资料来源
本回答基于5项研究（3项经同行评审，2项为预印本）——发表于2023年至2026年间，其中4项为2024年或之后发表，1项发表于Q1期刊，合计被引用97次——这些研究是从5项通过质量筛选的研究中选出的最相关成果，而后者又源自从超过5亿篇论文的数据库中检索到的23篇文献。
本文引用的文献
仅通过模拟进行零样本预测
SarSim0是一款基于SARIMA的模拟器，可即时生成约10亿条合成序列，并用于训练神经网络。在严格的零样本协议下，该网络在M-Series和GiftEval基准上超越了强大的统计预测模型及近期的基础模型基线，其中包括在GiftEval上击败了生成数据所用的AutoARIMA过程。
使用时间序列基础模型进行零样本经济预测的泛化界
在一项关于宏观经济指标的案例研究中，三种TSFM模型（Chronos、TimeGPT、Moirai）在稳定条件下与经典模型表现相当或更优，但在快速冲击期间性能下降，这为判断何时可进行零样本部署提供了指导。
TinyCast：基于计算周期性的概率零样本预测
TinyCast仅拥有146,505个参数，采用零参数频谱检测器来捕捉周期性，并在GIFT-Eval上定义了规模-精度前沿，是唯一一个参数低于140万、无需测试数据泄漏即可输出预测分布的零样本模型。
企业财报电话会议与分析师的信念
本文考察了企业财报电话会议如何影响分析师的预测，重点关注具有年度周期性的预测，并提供了关于周期性在财务预测中如何运用的背景信息。
大语言模型是零样本时间序列预测器
像GPT-3和LLaMA-2这样的大语言模型在零样本预测时间序列时，其表现可与专门构建的模型相媲美甚至更优，但GPT-4可能因数字分词和不确定性校准不佳而表现更差。